待验证50% 置信事实精确时间
在RoCo-PRM中，教师是强MoE模型，其软标签来自路由统计量计算出的步骤分数，而非输出logit；学生是一个独立的PRM。
1
来源数
50%
置信度
长期有效
时效性
2026/10/22
首次发现
来源
涉及实体
相关事实
待验证研究者提出了RoCo-PRM方法，利用强MoE模型自动为推理轨迹标注基于路由的步骤分数，再将这些分数蒸馏到一个独立的PRM中。75% 相似已验证过程奖励模型（PRM）转向对推理过程而非最终答案进行评估，在数学推理领域已展现显著优势66% 相似待验证SMD 引入了一个名为 Pivot 的残差代理，其作用是把局部修正从学生的区间均值预测中分离出来：学生负责预测整个区间的平均速度，Pivot 负责建模区间内部的残差波动。62% 相似待验证R2S流程分三步：1）从未训练的学生模型出发挖掘与教师分歧最大的状态；2）从这些状态运行教师接管，并用无奖励检查（共识或LLM评判）筛选接管片段；3）用筛选后的接管数据微调教师评分器，冻结后作为标准OPD的唯一评分器。61% 相似已验证离线蒸馏中训练数据由教师模型一次性生成并固定，学生模型在静态数据集上学习60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1084493API
curl https://kongchang.com/api/v1/knowledge/claims/1084493MCP
get_claim(id=1084493)